【数据挖掘】神经网络与感知机基础概念讲解（图文解释 超详细）

需要PPT请点赞关注收藏后评论区留言私信~~~

神经网络基础

神经网络（Neural Network）最早由心理学家和神经学家开创，旨在寻求开发和检验神经的计算模拟。它是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能模拟生物神经系统对真实世界物体所作出的交互反应。今天的“神经网络”已是一个相当大的、多学科交叉的学科领域。神经网络可以用于分类（预测给定元组的类标号）和数值预测（预测连续值输出）等

1 神经元模型

人工神经元（简称神经元）是神经网络的基本组成单元，它是对生物神经元的模拟、抽象和简化。现代神经生物学的研究表明，生物神经元是由细胞体、树突和轴突组成的。通常一个神经元包含一个细胞体和一条轴突，但有一个至多个树突

神经网络中最基本的成分是神经元（Neuron）模型。生物神经网络中的每个神经元彼此互连，当它“兴奋”时，就会向相连的神经元发送化学物质，从而改变这些神经元内的电位。如果某神经元的电位超过一个阈值，它就会被激活，即“兴奋”起来，向其他神经元发送化学物质。 1943年，美国心理学家麦卡洛克(McCulloch)和数学家皮特斯（Pitts）按照生物神经元的结构和工作原理建立了M-P模型

在M-P模型中，为了使得建模更加简单，以便于进行形式化表达，我们忽略时间整合作用、不应期等复杂因素，并把神经元的突触时延和强度当成常数

 

 

信息加工过程可描述如下式：

 

f(∙)称为激励函数或转移函数，它对前期加工后的信息进行一个映射，得到输出y，如下式：y=f(I)

激励函数一般采用非线性函数

对M-P模型而言，神经元只有兴奋和抑制两种状态，因此，它的激励函数f(∙)定义为单位阶跃函数，输出y只有0和1两种信号

 由于累加性，对全部输入信号进行累加整合，相当于生物神经元中的膜电位，其值为：

 激活函数将输入值映射为输出值0或者1，0表示神经元抑制 1表示神经元兴奋，然而阶跃函数具有不连续和不光滑等不太好的性质，因此实际常用Sigmoid函数作为激活函数

将许多神经元按一定的层次结构连接起来，就得到了神经网络

2 感知机与多层网络

感知器(Perceptron)由两层神经元组成，如图9-3所示。这个结构非常简单，它其实就是输入输出两层神经元之间的简单连接

感知机的特点概括如下

1957年由Rosenblatt提出，是神经网络与支持向量机的基础；

输入为特征向量，输出为实例的类别，取+1和-1；

感知机对应于输入空间中将实例划分为正负两类的超平面，属于判别模型；

导入基于误分类的损失函数；

利用梯度下降法对损失函数进行极小化；

感知机学习算法具有简单而易于实现的优点，分为原始形式和对偶形式

感知机模型

感知机模型是二分类的线性分类模型，它能对空间中线性可分的二分类样本点进行划分

式中，u(∙)为单位阶跃函数，W=(w^(1), w^(2), …,w^(n))，x=(x^(1),x^(2),…,x^(n))

W∙x^T+θ=0表示空间中的一个超平面，该超平面将空间中的点划分为两类。对空间中的某点x_i，如果被正确划分，易知y_i(W∙x^T+θ)>0，。如果被错误划分，即为误分类点，则y_i(W∙x^T+θ)≤0 

设感知机的样本集S={s_1,s_2,…,s_m}包含个m样本，每个样本s_i=(x_i,y_i)包括一个实例x_i和一个标签y_i，y_i∈{1，0}

算法流程图如下

 用神经网络来模拟逻辑代数中的异或运算

代表异或运算的点是线性不可分的，因此无法用感知机模拟，此时可以将三个分布模拟与非、或和与运算的感知机连接在一起，共同完成异或运算

 单个神经元只能划分线性可分的二分类点。如果将神经元连接成神经网络，则处理能力会大为增强，这也是神经网络得到广泛应用的原因

要解决非线性可分问题需要使用多层感知器（多层网络）来解决。多层感知机（Multilayer Perceptron，MLP）除了输入输出层，中间可以有多个隐层。最简单的MLP只含一个隐层，即三层的结构。更一般的，常见的神经网络是形如图9.4所示的机构这样的网络结构通常称为多层前馈神经网络（Multi-layer Feedforward Neural Networks）

 创作不易 觉得有帮助请点赞关注收藏~~~